JPH06162244A

JPH06162244A - マーク検査装置

Info

Publication number: JPH06162244A
Application number: JP5183021A
Authority: JP
Inventors: Naomichi Yamada; 尚道山田; Masahiko Uno; 真彦宇野; Tatsunori Hibara; 辰則火原
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1992-09-28
Filing date: 1993-07-23
Publication date: 1994-06-10
Anticipated expiration: 2013-12-02
Also published as: JP2831537B2

Abstract

(57)【要約】【目的】しきい値の作成・調整に伴う困難を解消し、
誤判定が少なく人間と同程度の検査性能を持つマーク検
査装置を得る。【構成】撮像されたマークを１つ１つ切り出すマーク
切出手段と、切り出されたマークを縮退させて認識手段
に渡すマーク縮退手段を設けて、その認識手段に学習機
能を備えたニューラルネットワークを用い、また認識手
段をニューラルネットワークのＶＱネット、もしくはバ
ックプロパゲーション法で実現する。【効果】データ取り込み時のノイズによる位置ずれ誤
差が吸収され、異なる大きさのマークも同一の縮退デー
タに変換され、認識手段へのデータ量も削減されて、認
識手段の構成が簡略化され、認識に要する処理時間も短
縮できる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、例えば電子部品など
の検査対象に表記された文字や記号等のマークが正しい
状態にあるか否かを検査するマーク検査装置に関するも
のである。

【０００２】

【従来の技術】図１６は例えば特開平１−３１２８４６
号公報に示された従来のマーク検査装置を示すブロック
図である。図において、１は表記された文字や記号等の
マークの検査が実施されるＩＣなどの検査対象であり、
２はこの検査対象１を照明する照明手段、３は検査対象
１に表記されたマークを撮像して電気信号で出力するテ
レビカメラなどの撮像手段である。４はこの撮像手段３
の出力よりマークの表記位置を検出するマーク位置決定
手段であり、５はマーク位置決定手段４の出力をしきい
値と比較して２値化する明度比較手段である。６はこの
明度比較手段５の出力を複数のエリアに分割して部分検
査するための検査エリア決定手段であり、７は検査エリ
ア決定手段６にて区分された各エリア内のマークに相当
する部分の画素数をカウントする面積カウント手段であ
る。８は面積カウント手段７によるカウント数の各エリ
ア毎のしきい値を選択するカウントしきい値選択手段で
あり、９は面積カウント手段７のカウント結果をカウン
トしきい値選択手段８の選択したしきい値と比較してマ
ークの良否を判定するカウント比較手段である。

【０００３】次に動作について説明する。まず、検査対
象１を所定の位置にセットして照明手段２で照明し、当
該検査対象１に表記されているマークを撮像手段３によ
って撮像する。撮像手段３の出力はマーク位置決定手段
４に送られてマークの表記位置の位置決めが行われ、明
度比較手段５に送られて明度の判別基準となるしきい値
と比較されて２値化される。検査エリア決定手段６は当
該マークを部分検査するために、この明度比較手段５の
出力を図１７に示すように、マーク検査用エリアＥ₁、
目詰まり検査用エリアＥ₂、および異種マーク検査用エ
リアＥ₃の複数のエリアに区分する。次に、カウントし
きい値選択手段３は上記各エリア毎に対応するしきい値
を設定する。このしきい値は、例えばマーク検査用エリ
アＥ1 と目詰まり検査用エリアＥ₂に対しては緩く、異
種マーク検査用エリアＥ₃に対しては厳しい判定基準が
設定される。そして、各エリア内のマークに相当する部
分の面積が面積カウント手段７でカウントされ、そのカ
ウント結果がカウントしきい値選択手段８で設定された
カウントしきい値とカウント比較手段９で比較される。
そして、当該比較の結果、カウント結果がしきい値の範
囲内であれば、当該マークは“良”と判定される。

【０００４】

【発明が解決しようとする課題】従来のマーク検査装置
は以上のように構成されているので、カウント比較手段
９にて面積カウント結果と比較されるしきい値を作成す
る必要があり、このしきい値の作成は難しく手間のかか
るもので、実際には専門家によって１つ１つのマークに
対して経験的に決定され、当該しきい値の作成中は、類
似マークの誤判定が発生する都度、前に戻ってやり直す
ことになり、試行錯誤的で多大な時間を要するばかり
か、マークの大きさや文字フォントなどの種類が変更さ
れる度にこのしきい値の作成をやり直す必要があり、さ
らに、しきい値作成後に新たに誤判定が生じた場合の調
整が専門家でなくてはできず、調整に時間がかかるなど
の問題点があった。

【０００５】この発明は上記のような問題点を解消する
ためになされたものであり、しきい値の作成および調整
に伴う困難を解消し、誤判定が少なく、人間と同程度の
検査性能を持つマーク検査装置を得ることを目的とす
る。

【０００６】

【課題を解決するための手段】請求項１に記載の発明に
係るマーク検査装置は、撮像手段の撮像されたマークを
１つ１つ切り出すマーク切出手段、このマーク切出手段
によって切り出された１つ１つのマークを縮退させるマ
ーク縮退手段、および、縮退されたデータより切り出さ
れたマークの認識を行う認識手段を設けたものである。

【０００７】また、請求項２に記載の発明に係るマーク
検査装置は、認識手段を学習機能を備えたニューラルネ
ットワークで実現したものである。

【０００８】また、請求項３に記載の発明に係るマーク
検査装置は、認識手段をニューラルネットワークの自己
組織化ネットワーク（以下ＶＱネットという）で実現し
たものである。

【０００９】また、請求項４に記載の発明に係るマーク
検査装置は、認識手段をニューラルネットワークのバッ
クプロパゲーション法で実現したものである。

【００１０】また、請求項５に記載の発明に係るマーク
検査装置は、マスク領域を設定するマスク領域設定手段
と、設定されたマスク領域内ではあたかもマークが存在
していないようにマークを縮退するマーク縮退手段を設
けたものである。

【００１１】また、請求項６に記載の発明に係るマーク
検査装置は、マークセットを判別するマークセット判定
手段を設け、マークセット毎に学習データを管理する学
習データベースと、マークセット判定手段の出力に応じ
て学習データを学習データベースより読み出して認識に
適用する認識手段を設けるたものである。

【００１２】

【作用】請求項１に記載の発明におけるマーク縮退手段
は、マークの画像データを縮退させることにより、当該
画像データの取り込みに伴うノイズによる位置ずれ誤差
を縮退データに吸収して認識処理における当該誤差の考
慮を無用とし、縮退過程で異なる大きさのマークも同一
の縮退データに変換し、さらに、認識手段へのデータ量
を削減して、認識手段の構成の簡略化を可能にするとと
もに、認識に要する処理時間も短縮する。

【００１３】また、請求項２に記載の発明におけるマー
ク検査装置は、認識手段にニューラルネットワークを用
いることにより、当該ニューラルネットワークに備わっ
ている学習機能を利用して認識に要するしきい値を自動
的に生成し、しきい値の作成および調整を簡易化する。

【００１４】また、請求項３に記載の発明におけるマー
ク検査装置は、認識手段をニューラルネットワークのＶ
Ｑネットで実現することにより、学習したデータから少
しでも異なるマークが入力された場合にその出力値を大
きく変化させて、マークの欠け、傷、にじみなどを検出
するマークの印字品質検査に適用して有効な装置を提供
する。

【００１５】また、請求項４に記載の発明におけるマー
ク検査装置は、認識手段をニューラルネットワークのバ
ックプロパゲーション法で実現することにより、マーク
に欠け、傷、あるいはにじみなどがあってもそのマーク
が何であるか正確に認識することを可能とし、誤ったマ
ークの表記を検出するマーク読取検査に適用して有効な
装置を提供する。

【００１６】また、請求項５に記載の発明におけるマー
ク領域設定手段は、マーク切出位置に対してマスク領域
を設定することにより、マーク切出位置の内部に所望の
マーク以外の不要のマークが存在しているときでもそれ
を取り除いた状態で認識を行なうことを可能とし、近接
しているマークに対しても安定に認識できるマーク検査
装置を提供する。

【００１７】また、請求項６に記載の発明における認識
手段は、マークセット判定部とマークセット毎に学習デ
ータを管理した学習データベースを用いて、検査対象の
マークセットに応じた学習データを認識に適用すること
により、ネットワーク規模の縮小、学習時間の減少を可
能にする。

【００１８】

【実施例】

実施例１．以下、この発明の実施例１を図について説明
する。図１において、１は検査対象、２は照明手段、３
は撮像手段であり、図１６に同一符号を付したものは同
一または相当部分である。また、１０は撮像手段３で撮
像したマークの画像データを記憶する画像記憶手段であ
る。１１はこの画像記憶手段１０に一旦記憶された画像
データの２値化を行う２値化手段、１２は２値化された
画像データより各マークを１つ１つ切り出す切出手段で
あり、１３はこれら２値化手段１１と切出手段１２より
成るマーク切出手段である。１４はこのマーク切出手段
１３によって切り出された各マークを縮退させるマーク
縮退手段である。１５はその縮退されたデータによって
切り出されたマークの認識を行う、学習機能を備えたニ
ューラルネットワークによる認識手段であり、１６はそ
の学習手段、１７は学習データベースである。１８は認
識手段１５の出力とあらかじめ設定されているマーク読
取データとを比較して、当該マークの良否を判定する判
定手段であり、１９はこれら各手段のシーケンスを制御
する制御手段である。

【００１９】次に動作について説明する。まず、ＩＣな
どの検査対象１の表面に照明手段２により光を照射し、
そこに表記された文字や記号などのマークの濃淡画像を
テレビカメラなどの撮像手段３で撮像する。撮像された
マークの画像データを撮像手段３より画像記憶手段１０
に送られて一旦記憶され、マーク切出手段１３に取り込
まれる。マーク切出手段１３では取り込んだ画像データ
を２値化手段１１で２値化してマークを見やすくした
後、切出手段１２にてそのマークの１つ１つの切り出し
を行う。このマークの切り出しは、例えば特開平２−１
２２２８８５号公報などに示されるような、水平撮像画
素数や垂直投影画素数を利用する方法で行われるもの
で、その概念を図２に示す。即ち、図２（ａ）に示す２
値化された画像データの水平投影の画素数を図２（ｂ）
のようにカウントし、図２（ｃ）に示すようにそのカウ
ント結果に基づく行の切り出しを行う。次に、図２
（ｄ）のように垂直投影の画素数をカウントし、図２
（ｅ）に示すようにそのカウントに基づく列の切り出し
を行い、前記マークの１つ１つを切り出す。

【００２０】このように、マークの切り出しを画像デー
タの２値化後に行うとした場合、実際には画像データの
取り込みに伴うノイズによって２値化画像データが若干
変化するため、切り出しに数画素誤差が生じる。ここ
で、後述する縮退の過程を設けない場合には、前記誤差
が認識手段１５に直接与えられるため、認識手段１５で
はその誤差を考慮して認識の処理を実行しなければなら
なくなり、認識手段１５が極めて複雑なものとなって現
実的なものではなくなる。一方、縮退の過程を設けれ
ば、当該縮退の過程で位置ずれの誤差が縮退データに吸
収されるため、認識手段１５においては誤差に対する特
別な考慮をする必要がなくなって、認識手段１５を比較
的簡単な構成とすることができる。

【００２１】そのため、マーク縮退手段１４はマーク切
出手段１３にて切り出された各マークのＭ×Ｎ個の画素
より成る２値画像データを取り込んでｍ×ｎ個の実数デ
ータに変換する。図３はその変換の概念を示す説明図で
ある。まず、図３（ａ）に示すＭ×Ｎ（この場合、Ｍ＝
２０，Ｎ＝１６）の画素より成る２値の画像データを、
図３（ｂ）に示したｍ×ｎ（この場合、ｍ＝５，ｎ＝
４）個のメッシュに分割する。次に、１つのメッシュ内
に白画素がどれだけの割合で含まれているかを計算し、
０〜１の間の実数によるその割合を当該メッシュのデー
タとする。この計算処理を全メッシュについて行うこと
によって、マーク１つ１つを図３（ｃ）に示すｍ×ｎ個
の実数データに変換する。このようにして得られた縮退
データは認識手段１５に出力される。

【００２２】認識手段１５を構成するニューラルネット
ワークでは、その学習手段１６によって全てのマークに
ついての良品データの学習を済ませており、その学習済
みのデータは学習データベース１７に記憶されている。
このニューラルネットワークによる認識手段１５はマー
ク切出手段１３の切り出したマークの認識を、マーク縮
退手段１４にて縮退されたデータに基づいて行い、０〜
１の間の実数を判定手段１８に出力する。例えば、入力
されるマークが英数字であるとした場合、その出力は、
“Ａ”である可能性が０．９、“Ｂ”である可能性が
０．２といった具合に与えられる。

【００２３】判定手段１８はこの認識手段１５の出力を
あらかじめ設定されているマーク読取データと比較し、
両者が一致しているか否かの判定を行ってその判定結果
を外部に出力する。即ち、認識手段１５の出力中で最高
（もしくは最低）値を示すデータ（上記の例では“Ａ”
の０．９）をとるマークの種類（上記の例の場合では
“Ａ”）が、あらかじめ設定されているマーク読取デー
タと一致していれば良品、不一致であれば不良品とす
る。この判定はマークの１つ１つについて行われ、全て
のマークが良品であれば良品であるという判定結果を、
それ以外であれば不良品であるという判定結果を外部に
出力する。

【００２４】なお、以上詳細に説明した一連の処理は、
制御手段１９の制御のもとに実行される。

【００２５】実施例２．また、上記実施例１では、判定
手段１８による判定でマークの良品と不良品の２つに判
別する場合について述べたが、良品、不良品、および判
定保留の３つに判別するようにしてもよい。即ち、認識
手段１５を形成するニューラルネットワークの最高出力
値だけでなく、２番目に高い出力値も考慮して、以下の
式の条件を満足しない場合、外部には判定保留と出力す
るものである。

【００２６】最高出力値−２番目に高い出力値＞０．５

【００２７】これは最高出力値が他の出力値と比べてど
れだけ突出しているかを示す尺度であり、最高出力値の
信頼性を評価するものである。

【００２８】実施例３．次に、この発明によるマーク検
査装置の印字品質の検査への適用について説明する。こ
こで、印字品質検査とは、図４（ａ）に示したようなマ
ークの小さな欠けや、同図（ｂ）に示したような傷など
を検出して不良品とするものである。このような印字品
質の検査は、認識手段１５にニューラルネットワークの
ＶＱネットを用いることによって実現され、この構成に
よる検査結果は経験的に人間の検査基準によく合致する
という特徴を持っている。以下にこのＶＱネットについ
ての説明を行う。

【００２９】図５にＶＱネットの構成を示す。入力層２
０はｍ×ｎ個の縮退された画像データと１対１に対応し
たｍ×ｎ個のノード２１から成り立つ。この入力層２０
の各ノード２１の出力は、出力層２２のすべてのノード
２３の入力部に接続される。図６はノード２１およびノ
ード２３の構成を示したもので、入力データ２４（Ｘ
ｉ）は重み係数２５ａ（Ｗｉ）を持つ重みユニット２５
を通じて関数ユニット２６で合成され、出力２７から値
Ｙｉとして出力される。すなわち入力層２０の各ノード
２１の出力２７が、出力層２２のノード２３の入力デー
タ２４として重みユニット２５に接続される。このノー
ド２１およびノード２３は生物学ではニューロンと呼ば
れる神経回路素子である。ＶＱネットの関数ユニット２
６の一例としては、入力層２０のノード２１ではｙ＝ｘ
の線形関数、出力層２２のノード２３では入力データ２
４と重み係数２５ａのユークリッド距離計算関数が用い
られる。学習は出力層２２のノード２３の重み係数２５
ａが変化することにより行われる。

【００３０】次に図７を用いて学習機能および認識機能
について説明する。図において太線および実線が学習フ
ロー、太線および点線が認識フローを示している。学習
データベース１７内の学習用データ２８は認識の基準デ
ータとなる教師データ２８ａとその識別クラス２８ｂを
格納する。識別クラス２８ｂには、例えば文字“Ａ”と
いう教師データに対して“文字Ａのクラス”というよう
な教師データを識別するデータが格納される。学習時に
は教師データ２８ａが入力層２０の入力データ２９とし
て使われ、認識時には認識したいデータ３０が入力層２
０の入力データ２９となる。距離計算機構３１では入力
層ノード出力計算モジュール３１ａで出力層２２への入
力データ３１ｃ、すなわち入力層２０の各ノード２１の
出力を求め、距離計算モジュール３１ｂで出力層２２の
ノード２３ごとに重み係数３３と入力データ３１ｃの距
離３２を求める。この距離３２の一例として、ユークリ
ッド距離がある。識別機構３４は、距離計算機構３１で
求められた距離３２から最も近いノード３５を選び出
し、識別クラス２８ｂを用いて、ノード３５のクラス３
５ａが入力データ２９が属するクラス２９ａと一致する
かどうか判断する。初期状態ではノード３５はどのクラ
スにも属していない。この場合はノード３５はクラス２
９ａに含められ、クラス３５ａはクラス２９ａと等しく
なる。

【００３１】学習機構３６は、識別結果に応じて重み係
数３３を変更する。重み係数３３の変更は、例えば、コ
ホーネン（Ｔ．Ｋｏｈｏｎｅｎ）：ザセルフオーガナ
イジングマップ（ＴｈｅＳｅｌｆ−Ｏｒｇｎｉｚｉ
ｎｇＭａｐ（ＰＲＯＣＥＥＤＩＮＧＳＯＦＴＨＥ
ＩＥＥＥ，Ｖｏｌ．７８，Ｎｏ．９，Ｓｅｐ，１９９
０））などの文献にあるコホーネンのＬＶＱ２学習則に
基づいている。基本的にはノード３５のクラス３５ａと
入力データ２９のクラス２９ａが一致すると、ノード３
５の重み係数３３を入力データ２９に近づけるように重
みを変更する。また、一致しない場合には、遠ざけるよ
うに重みを変更する。学習時には、重み係数３３が収束
するまで学習用データ２８のすべてについて重み係数３
３の学習を行なう。認識機構３７は、距離計算機構３１
で得られた出力層２２の各ノード２３の距離３２に基づ
いて認識結果として入力データ２９に対する各クラスへ
の距離３８を決定する。この各クラスへの距離３８が、
入力データ２９の各クラスへの属する割合を表すことに
なる。

【００３２】このＶＱネットを用いた装置の特徴とし
て、入力されたマークの小さな欠けや、傷などに大変敏
感に反応することがあげられる。つまり、学習したデー
タから少しでも異なったものが入力されれば、出力値が
大きく変化する。このためマークの欠けや傷などを調べ
る印字品質検査に適したものとなっている。また、この
構成による検査の結果が、経験的に人間の検査基準に良
く合致していることもわかっている。

【００３３】実施例４．次に、この発明によるマーク検
査装置の異品種混入検査への適用について説明する。こ
こで、異品種混入検査とは、時間帯毎に異なった品種が
流れるラインにおいて、現在流れている品種の中に誤っ
て異なった品種が混入していないかを監視、検査するも
のである。このような異品種混入の検査は、認識手段１
５にニューラルネットワークのバックプロパゲーション
法を用いることによって実現される。この構成による検
査では、例えば、対象マークとして“Ａ”を想定した場
合、一部に欠損がある“Ａ”がやってきてもそれを
“Ａ”と正しく認識する一方、“Ｂ”がやってくると異
文字であると敏感に反応する。以下にこのバックプロパ
ゲーション法についての説明をする。

【００３４】図８に３層のバックプロパゲーションネッ
トワークの構成を示す。この図では中間層が１つである
が、中間層を増やして全体で４層、５層構造のネットワ
ークにしても良い。入力層２０はｍ×ｎ個に縮退された
画像データと１対１に対応したｍ×ｎ個のノード２１か
ら成り立つ。この入力層２０の各ノード２１は、中間層
３９の各ノード４０と接続され、さらにこのノード４０
の出力は出力層２２のノード２３と接続される。ノード
２１、ノード４０およびノード２３は図６に示した構造
を持つ。バックプロパゲーションネットワークの各ノー
ド２１，４０，２３の関数ユニットの一例としては、シ
グモイド関数が用いられる。学習は中間層３９のノード
４０と出力層２２のノード２３の重みが変化することに
より行われる。

【００３５】次に、図９を用いて学習機能および認識機
能について説明する。学習用データ２８は認識の基準デ
ータとなる教師データ２８ａとその識別クラス２８ｂを
格納する。識別クラス２８ｂには、教師データ２８ａを
ネットワークの入力層２０に入力したとき、出力層２２
の出力として得られる理想的なパターンが格納される。
学習時には教師データ２８ａが入力層２０の入力データ
２９として使われ、認識時には認識したいデータ３０が
入力層２０の入力データ２９となる。認識機構４１で
は、入力データ２９と中間層３９、出力層２２の各ノー
ド４０，２３の重み係数３３から出力層２２の各ノード
２３の出力値４２を求める。学習機構４３では、出力値
４２と入力データ２９に対応した識別パターン２９ｂを
比較し、その差を小さくするように重み係数３３を変更
する。この重み係数３３の変更は、例えば、ラメルハー
ト他（Ｄ．Ｅ．Ｒｕｍｅｌｈａｒｔ，Ｊ．Ｌ．ＭｃＣｌ
ｅｌａｎｄａｎｄｔｈｅＰＤＰＲｅｓｅａｒｃｈ
Ｇｒｏｕｐ）：パラレルディストリビューテッドプ
ロセッシング（ＰａｒａｌｌｅｌＤｉｓｔｒｉｂｕｔ
ｅｄＰｒｏｃｅｓｓｉｎｇ（ＭＩＴＰｒｅｓｓ，Ｃ
ａｍｂｒｉｄｇｅ，１９８６））などの文献にあるバッ
クプロパゲーションアルゴリズムに基づいて行われる。
認識判断部４４は、出力値４２を認識パターン２９ｂと
照らし合わせて、各クラスへの適合度合４５を求める。
この各クラスへの適合度合４５が、入力データ２９の各
クラスへの属する割合を表すことになる。

【００３６】このバックプロパゲーションを用いた装置
の特徴として、マークに欠け、傷、にじみがあっても、
そのマークが何であるかを高精度に認識、判定すること
があげられる。例えば、マークの“Ａ”の文字がかすれ
ていてもマークは“Ａ”であると正しく認識し、異なっ
たマークが印刷されたものがないかを検出するマークの
読取検査に用いて有効であり、多品種製造ラインにおけ
る異品種混入を防ぐ目的の検査などに適している。

【００３７】実施例５．次に、マスク領域を用いた場合
の実施例について説明する。図１０は、そのような実施
例によるマーク検査装置の構成を示すブロック図で、マ
ーク切出手段１３によって生成されたマーク切出位置に
対してマスク領域を設定するマスク領域設定手段４６、
および切り出されたマークデータに対応するマスク領域
データが格納されたマスク領域データベース４７が付加
されている。なお、このときのマーク縮退手段１４は、
マスク領域内のマークに関するデータを出力しないよう
に構成されている。図１１はこの図１０に示したマーク
検査装置のマーク切出手段１３、マーク縮退手段１４、
マスク領域設定手段４６、マスク領域データベース４７
の部分を抽出して詳細に拡大したものを示す。

【００３８】問題となる近接したマークを例にとってそ
の動作を説明する。近接したマークの例を図１２（ａ）
に示す。この様なマークをマーク切出手段を工夫して図
１２（ｂ）のごとく切り出したとする。これらは図１２
（ｃ）のデータとしてマーク縮退手段１４に渡される
が、それぞれ“Ａ”の右上部，“Ｙ”の左下部にお互い
のマークが入り込んでしまっているため、このまま縮退
して認識部に送ると誤判定の原因をつくる。

【００３９】図１０、図１１の構成によると、マーク切
出手段１３は切り出したマークデータ５０をマーク縮退
手段１４に送る一方で、マスク領域設定手段４６は切り
出されたマークデータ５０に対応するマスク領域データ
５１をマスク領域データベース４７より読みだし、マー
ク縮退手段１４に送る。マーク縮退手段１４は、内部に
マスク手段４８と、縮退手段４９を備えており、マスク
手段４８は切り出されたマークデータ５０とマスク領域
データ５１を合成して、マスク領域内ではマークが存在
していないようにしたマークデータ５０を生成し、縮退
手段４９に送る。縮退手段４９の出力はマーク縮退手段
１４の出力として認識手段１５に送られる。その結果、
近接したマークの一部などの認識に悪影響を与える部分
をニューラルネットワークの入力前に除去することがで
きる。

【００４０】また、上記のようにマーク検査装置を構成
することによって、まず第１にニューラルネットワーク
に教示する教師データが減少するという利点が生じる。
この発明のようにマスク領域をマーク縮退時に発生する
ことができなければ、図１２（ｃ）の“Ａ”と図１２
（ｄ）の“Ａ”を両方とも“Ａ”としてニューラルネッ
トワークに教示しなければならず、教師データが増大し
てしまう。

【００４１】第２に、ニューラルネットワークの規模
（ノード数，コネクション数）を小さくすることが可能
となる。この発明のようにマスク領域を設定できなけれ
ば、図１２（ｃ）の“Ａ”と図１２（ｄ）の“Ａ”を両
方とも“Ａ”としてニューラルネットワークに教示しな
ければならなくなることを前に述べたが、この場合、本
質的に異なる画像に対して同じ出力が得られるようにニ
ューラルネットワークを学習させなければならない。こ
のことを数あるマークに対して実現するには学習能力の
高い規模の大きなニューラルネットワークを用いる必要
がある。ところがこの発明のマーク検査装置では図１２
（ｃ）と図１２（ｄ）の画像は、ニューラルネットワー
クに入力する段には同じ画像となるため、ニューラルネ
ットワークに要求する学習能力が低くて済む。このため
ニューラルネットワークの規模が小さくできる。またニ
ューラルネットワーク規模が小さくなれば学習時間の大
幅な減少、認識時間の減少などが２次的な効果として現
われる。

【００４２】実施例６．次に、マークセット判定手段と
マークセット毎に学習データを管理した学習データベー
スを備えた実施例について説明する。図１３は、そのよ
うな実施例の構成を示すブロック図で、マークセットの
判別を行うマークセット判定手段５３が付加されてい
る。

【００４３】次に、動作について説明する。ここで、図
１４は２つの異なるメーカで種類の異なるＩＣのマーク
を示したものである。今、これらのＩＣが同一基板上に
実装されている場合にそのマーク検査をすることを考え
る。これら２つのＩＣではその数字のフォント（例えば
図１４（ａ）の“２”と図１４（ｂ）“２”）が異なる
が、どちらのフォントに対してもニューラルネットワー
クで同一の出力（前の例に対しては“２”）が出るよう
に構成する必要がある。そのためには、学習能力の高い
大きなネットワークを用いる必要があるが、大きなニュ
ーラルネットワークを用いると、ネットワークの学習時
間が飛躍的に増大し、運用上の問題が生じていた。

【００４４】図１３に示した構成のマーク検査装置によ
ると、マークセット判定手段５３は、マーク切出手段１
３から出力される切出位置情報や、あるいは制御手段１
９より出力される、ＩＣ品種情報を入力として受け取っ
て、マークセットの判別をする。例えば図１４のマーク
セットはＩＣメーカのマークの集合であり、これらは
切出位置情報を用いて判定する。また図１４のマークセ
ットおよびマークセットは数字フォントの違いによ
るマークの集合であり、これらは制御手段１９より出力
されるＩＣの種類の情報から判定する。

【００４５】マークセット判定手段５３は、以上に挙げ
た情報などからマークセットを判別し、認識手段１５に
その結果を出力する。認識手段１５は、その判定結果を
キーにして認識に用いる学習データを学習データベース
１７より読みだす。このとき、学習データベース１７は
マークセットごとに管理されているため、読み出すデー
タ量は少なくてすむ。

【００４６】このマーク検査装置では、検査対象である
マークをマークセットごとに分割して認識するので、ニ
ューラルネットワークに設定する学習データが１マーク
セット分だけとなる。この結果、学習時も、１度に学習
するデータの単位が大幅に削減されるため１回の学習時
間が減少する。この発明の場合、全体の学習時間は１回
の学習時間にマークセット数を乗じたものとなるが、こ
の時間は文字の種類を分割せずに大規模なニューラルネ
ットワークで学習させたときと比較しても大変短いもの
となっている。さらにニューラルネットワークに設定す
る学習データ量が少なくなっているため、学習能力の低
い小規模のニューラルネットワークで認識手段１５が構
成でき、このことでも学習時間の減少、認識時間の減少
が可能となる。

【００４７】実施例７．また、上記各実施例では、検査
対象１の表面に照明手段２より光を照射し、その反射光
を撮像手段３で撮像するものを示したが、図１５に示す
ように、透明なマークを持つ検査対象１の裏面より光を
照射し、その透過光を撮像手段３で撮像するようにして
もよい。これにより、液晶によって表示されるマークの
検査を行うことなどが可能となる。なお、基本的な動作
は上記各実施例と同様であり、また、認識手段１５のニ
ューラルネットワークを変更することによって、印字品
質検査にも、マーク読取検査（異なったマークが表示さ
れていないかの検査）にも適用可能である。

【００４８】

【発明の効果】以上のように、請求項１に記載の発明に
よれば、撮像されたマークを１つ１つ切り出して、その
１つ１つのマークを縮退させてから認識手段に入力する
ように構成したので、画像データの取り込みに伴うノイ
ズによる位置ずれ誤差が縮退データに吸収されて認識処
理における当該誤差の考慮が無用となり、大きさの異な
る同一のマークはこの縮退の過程で同一の縮退データに
変換され、さらに、認識手段へのデータ量も削減される
ため、認識手段の構成が大幅に簡略化され、認識に要す
る処理時間も短縮できる効果がある。

【００４９】また、請求項２に記載の発明によれば、認
識手段に学習機能を備えたニューラルネットワークを用
いるように構成したので、認識に必要となるしきい値を
ニューラルネットワークの学習機能を用いて自動的に生
成することができ、しきい値の作成および調整が簡易化
できる効果がある。

【００５０】また、請求項３に記載の発明によれば、ニ
ューラルネットワークのＶＱネットを用いて認識手段を
実現するように構成したので、学習したデータから少し
でも異なるマークが入力された場合にはその出力値が大
きく変化し、マークの欠けや傷などを検出するマークの
印字品質検査に適したマーク検査装置が得られる効果が
ある。

【００５１】また、請求項４に記載の発明によれば、ニ
ューラルネットワークのバックプロパゲーション法を用
いて認識手段を実現するように構成したので、マークに
欠けなどがあってもそのマークが何であるか正確に認識
することが可能となり、誤ったマークの表記を検出する
マークの読取検査に適したマーク検査装置が得られる効
果がある。

【００５２】また、請求項５に記載の発明によれば、マ
−ク切出位置に対して不感帯としてマスク領域を設定す
るように構成したので、マーク切出位置の内部に所望の
マーク以外の不要のマークが存在しているときでも、そ
れを取り除いた状態で認識を行なうことができ、互いに
近接したマークに対しても安定に認識できるマーク検査
装置が得られる効果がある。

【００５３】また、請求項６に記載の発明によれば、検
査対象のマークをマークセット毎に分類して、学習デー
タの保存、マークの認識を行なうように構成したので、
小規模なニューラルネットによる構成、学習時間の減少
などの特徴をもったマーク検査装置が得られる効果があ
る。

【図面の簡単な説明】

【図１】この発明の実施例１を示すブロック図である。

【図２】上記実施例におけるマークの切出手順の一例を
示す説明図である。

【図３】上記実施例におけるマークの縮退手順の一例を
示す説明図である。

【図４】この発明の実施例３におけるマークの不良の一
例を示す説明図である。

【図５】上記実施例におけるＶＱネットを用いたニュー
ラルネットワークを示す構成図である。

【図６】上記ニューラルネットワークのノードを示す構
成図である。

【図７】上記実施例における学習および認識機能を示す
説明図である。

【図８】この発明の実施例４におけるバックプロパゲー
ション法を用いたニューラルネットワークを示す構成図
である。

【図９】上記実施例における学習および認識機能を示す
説明図である。

【図１０】この発明の実施例５を示すブロック図であ
る。

【図１１】上記実施例におけるマーク切出手段、マーク
縮退手段、マスク領域設定手段、マスク領域データベー
スの部分を抽出したブロック図である。

【図１２】上記実施例における近接したマークの一例を
示す説明図である。

【図１３】この発明の実施例６を示すブロック図であ
る。

【図１４】上記実施例におけるマークセットの一例を示
した図である。

【図１５】この発明の実施例７を示すブロック図であ
る。

【図１６】従来のマーク検査装置を示すブロック図であ
る

【図１７】そのマーク検査の概念を示す説明図である。

【符号の説明】

１検査対象３撮像手段１３マーク切出手段１４マーク縮退手段１５認識手段１７学習データベース１８判定手段４６マスク領域設定手段５３マークセット判定手段

Claims

【特許請求の範囲】

【請求項１】検査対象に表記されたマークの画像を撮
像する撮像手段と、前記撮像手段によって撮像された前
記マークの１つ１つを切り出すマーク切出手段と、前記
マーク切出手段によって切り出された１つ１つのマーク
を縮退させるマーク縮退手段と、前記マーク縮退手段に
て縮退されたデータより前記切り出されたマークの認識
を行う認識手段と、前記認識手段の出力とあらかじめ設
定されているマーク読取データとを比較して、当該マー
クの良否を判定する判定手段とを備えたマーク検査装
置。
【請求項２】前記認識手段を学習機能を備えたニュー
ラルネットワークで構成したことを特徴とする請求項１
に記載のマーク検査装置。
【請求項３】前記認識手段を前記ニューラルネットワ
ークの自己組織化ネットワークで実現したことを特徴と
する請求項２に記載のマーク検査装置。
【請求項４】前記認識手段を前記ニューラルネットワ
ークのバックプロパゲーション法で実現したことを特徴
とする請求項２に記載のマーク検査装置。
【請求項５】前記マーク切出手段によって生成された
マーク切出位置に対して、マスク領域を設定するマスク
領域設定手段を備え、前記マーク縮退手段に、前記マス
ク領域設定手段で設定したマスク領域内ではマークが存
在していないようにマークを縮退させるように機能を持
たせたことを特徴とする請求項２に記載のマーク検査装
置。
【請求項６】前記マークのマークセットを判別するマ
ークセット判定手段と、前記ニューラルネットワークの
学習データを前記マークセット毎に分類して管理する学
習データベースを設け、前記認識手段に、検査時には前
記マークセット判定手段の判別結果をもとに前記学習デ
ータベースより学習データを読みだして、識別に適用す
る機能を持たせたことを特徴とする請求項２に記載のマ
ーク検査装置。